lbg模型是由Linde，Buzo，Gray三人在1980年提出的。
它其实相当于Lord-Max方法的多维推广，但它并不需要知道输入矢量的概率分布，lbg模型通过训练矢量集和一定的迭代算法来逼近最优的再生码本。
1、随意选取n个图像块作为码矢量。
2、由这n个码矢量对所有的图像块进行划分，即分成n个集合，使每个集合中的图像块，都是与各码矢量距离中，与对应的码矢量的距离最小的。
3、由这n个集合的重心，得到n个新的码矢量。
4、如果这些个码矢量与原来的码矢量变化不大（收敛），就完成码书的训练，否则重新进行2、3步。
lbg模型局限性:
1、最优量化器是对于训练向量集而言，对于实际的未经训练的向量集是否最优还很难说，这要依赖于训练向量的代表性到底真实到何种程度。
2、由于优化分割的过程没有依据数据结构方面的规则或者限制，而是自由进行，这就使得对码本进行有效组织时遇到极大的困难。
3、在有些时候根本无法找到真正有代表性的训练向量集。
